'''
Lo primero que debemos hacer es importar (e instalar) las librerías necesarias. En este caso, haremos uso de:
* DeepChem
* TensorFlow
* RDKit
* Pandas
* Numpy
* Matplotlib
'''
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import os
from collections import OrderedDict

import deepchem as dc
import deepchem.models
from deepchem.models import BasicMolGANModel as MolGAN
from deepchem.models.optimizers import ExponentialDecay
import tensorflow as tf
from tensorflow import one_hot
from rdkit import Chem
from rdkit.Chem.Draw import IPythonConsole
from rdkit.Chem import Draw
from rdkit.Chem import Lipinski

from deepchem.feat.molecule_featurizers.molgan_featurizer import GraphMatrix

def smiles2graph(dataset, num_atomos=12, tipo_atomos=[0, 5, 6, 7, 8, 9, 11, 12, 13, 14]):
    """
    Convierte los SMILES en representaciones de grafos utilizando el featurizador MolGanFeaturizer.

    Parámetros:
    - dataset: DataFrame que contiene una columna 'smiles' con las SMILES de las moléculas.
    - num_atomos (int): Número máximo de átomos permitidos en una molécula.
    - tipo_atomos (lista de enteros): Lista de tipos de átomos permitidos en las moléculas.

    Retorna:
    - Una lista de representaciones de grafos (GraphMatrix) de las moléculas válidas según los parámetros dados.
    """
    # Crear objeto Featurizer
    feat = dc.feat.MolGanFeaturizer(max_atom_count=num_atomos, atom_labels=tipo_atomos)
    # Obtener SMILES del DataFrame
    smiles = dataset['smiles'].values
    # Filtrar SMILES por número de átomos
    filtered_smiles = [x for x in smiles if Chem.MolFromSmiles(x).GetNumAtoms() < num_atomos]
    # Featurizar las moléculas
    features = feat.featurize(filtered_smiles)
    # Obtener índices de las moléculas válidas
    indices = [i for i, data in enumerate(features) if type(data) is GraphMatrix]
    # Filtrar por índices obtenidos
    features = [features[i] for i in indices]
    print("Número de moléculas obtenidas tras aplicar el featurizador:", len(features))
    
    return features, feat


def fit_generacion_GAN(lista_grafos_moleculares, epocas=25, pasos_gen=1/5, num_atomos=12, num_muestras_generadas=10000):
    """
    Entrena un modelo de generación GAN (MolGAN) utilizando una lista de grafos moleculares.

    Parámetros:
    - lista_grafos_moleculares (list): Lista de objetos que representan grafos moleculares.
    - epocas (int): Número de épocas de entrenamiento.
    - pasos_gen (float): Número de pasos del generador por cada paso del discriminador.
    - num_atomos (int): Número máximo de átomos permitidos en una molécula.
    - num_muestras_generadas (: Número de muestras a generar al final del entrenamiento.

    Retorna:
    - Un conjunto de muestras generadas por el generador del modelo GAN.
    """
    # Definir función para generar e iterar sobre lotes de datos
    def iterbatches(epochs):
        for i in range(epochs):
            for batch in dataset.iterbatches(batch_size=gan.batch_size, pad_batches=True):
                adjacency_tensor = one_hot(batch[0], gan.edges)
                node_tensor = one_hot(batch[1], gan.nodes)
                yield {gan.data_inputs[0]: adjacency_tensor, gan.data_inputs[1]: node_tensor}
    # Crear modelo MolGAN
    gan = MolGAN(learning_rate=ExponentialDecay(0.001, 0.9, 5000), vertices=num_atomos)
    # Creamos la matriz de adyacencia y la de característica de nodos
    dataset = dc.data.NumpyDataset([x.adjacency_matrix for x in lista_grafos_moleculares],
                               [x.node_features for x in lista_grafos_moleculares])
    # Entrenar el modelo GAN
    gan.fit_gan(iterbatches(epocas), generator_steps=pasos_gen, checkpoint_interval=5000)
    # Generar muestras con el generador del modelo GAN
    return gan.predict_gan_generator(num_muestras_generadas)


def graph2smiles(lista_grafos_moleculares, feat):
    """
    Convierte representaciones de grafos en SMILES utilizando un objeto Featurizer.

    Parámetros:
    - lista_grafos_moleculares (list): Lista de objetos que representan grafos moleculares.
    - feat: Objeto Featurizer utilizado para la conversión de grafos a moléculas en formato RDKit.

    Retorna:
    - Lista de SMILES correspondientes a las moléculas generadas a partir de los grafos.
    """
    # Filtrar moléculas válidas
    moleculas_rdkit = list(filter(lambda x: x is not None, feat.defeaturize(lista_grafos_moleculares)))
    print("{} moleculas validas".format(len(moleculas_rdkit)))
    # Convertir RDMol a SMILES
    moleculas_smiles = [Chem.MolToSmiles(m) for m in moleculas_rdkit]
    # Obtener moléculas únicas
    moleculas_smiles_unicas = list(OrderedDict.fromkeys(moleculas_smiles))
    print("{} moleculas validas únicas".format(len(moleculas_smiles_unicas)))
    
    return moleculas_smiles_unicas


def mostrarSmiles(lista_smiles, molsPorFila=5):
    """
    Muestra los SMILES en formato de cuadrícula con leyendas que representan el valor QED.

    Args:
    - lista_smiles (list): Una lista de SMILES de moléculas.
    - molsPorFila (int, opcional): Número de moléculas por fila en la cuadrícula. Por defecto, 5.

    Returns:
    Una imagen que muestra las moléculas en formato de cuadrícula con leyendas QED.
    """
    
    # Convertir SMILES a RDMol
    moleculas_rdkit = [Chem.MolFromSmiles(x) for x in lista_smiles]
    # Calcular los valores QED
    valores_qed = calculoDescriptores(lista_smiles, ["qed"])
    # Redondear los valores QED a dos cifras significativas
    leyendas_qed = [str(round(qed[0], 2)) for qed in valores_qed]
    # Crear la imagen de la cuadrícula con leyendas QED
    img = Draw.MolsToGridImage(moleculas_rdkit[0:len(moleculas_rdkit)], molsPerRow=molsPorFila, subImgSize=(250, 250),
                               maxMols=len(moleculas_rdkit), legends=leyendas_qed, returnPNG=False)

    return img

def smiles2dataset(lista_smiles):
    """
    Convierte una lista de SMILES en un DataFrame de pandas con propiedades químicas calculadas.

    Args:
    - lista_smiles (list): Una lista de SMILES de moléculas.

    Returns:
    Un DataFrame de pandas que contiene información química calculada para cada molécula, incluyendo
    SMILES, Peso Molecular, LogP y QED.
    """
    # Calcular las propiedades químicas
    valor_propiedades = calculoDescriptores(lista_smiles, ["ExactMolWt", "MolLogP", "qed"])
    # Transponer las propiedades para organizar por columna
    propiedades_transpuestas = list(map(list, zip(*valor_propiedades)))
    # Crear un diccionario para construir el DataFrame
    dicc = {
        'SMILES': lista_smiles,
        'Peso Molecular': [(round(prop,3)) for prop in propiedades_transpuestas[0]],
        'LogP': [(round(prop,3)) for prop in propiedades_transpuestas[1]],
        'QED': [(round(prop,3)) for prop in propiedades_transpuestas[2]],
        "Lipinski" : [cumple_lipinski(smiles) for smiles in lista_smiles]
    }
    
    # Crear el DataFrame de pandas
    dataframe_resultante = pd.DataFrame(dicc)
    return dataframe_resultante

#Funciones de propiedades y descriptores

def calculoDescriptores(listaSMILES, listaDescriptores):
    """
    Calcula descriptores químicos específicos para una lista de moléculas dadas mediante sus SMILES.

    Args:
    - listaSMILES (list): Una lista de SMILES de moléculas.
    - listaDescriptores (list): Una lista de nombres de descriptores químicos a calcular.

    Returns:
    Un array de numpy con los valores de los descriptores calculados para las moléculas dadas.
    """
    rdkit_featurizer = dc.feat.RDKitDescriptors(descriptors=listaDescriptores)
    features = rdkit_featurizer(listaSMILES)
    return features

def cumple_lipinski(smiles):
    """
    Verifica si una molécula dada, representada por su SMILES, cumple con la Regla de cinco de Lipinski.

    Args:
    - smiles (str): SMILES de la molécula a ser evaluada.

    Returns:
    True si la molécula cumple con la Regla de cinco de Lipinski, False en caso contrario.
    """
    moleculaRDKit = Chem.MolFromSmiles(smiles)

    # Calcular el número de aceptores y donadores de hidrógeno
    aceptores_hidrogeno = Lipinski.NumHAcceptors(moleculaRDKit)
    donadores_hidrogeno = Lipinski.NumHDonors(moleculaRDKit)
    
    # Calcular el peso molecular y LogP
    rdkit_featurizer = dc.feat.RDKitDescriptors(descriptors=["ExactMolWt", "MolLogP"])
    peso_molecular, logP = rdkit_featurizer(moleculaRDKit)[0]

    # Verificar si cumple con los criterios de la Regla de cinco de Lipinski
    if (aceptores_hidrogeno <= 10) and (donadores_hidrogeno <= 5) and (peso_molecular < 500) and (logP < 5.3):
        return True
    else:
        return False

def generar_moleculas_pipeline(dataset, num_atomos=12, tipo_atomos=[0, 5, 6, 7, 8, 9, 11, 12, 13, 14], 
                                epocas=25, pasos_gen=1/5, num_muestras_generadas=10000, mols_por_fila=5):
    """
    Pipeline para generar moléculas a partir de un conjunto de datos de SMILES.

    Parámetros:
    - dataset (DataFrame): DataFrame que contiene una columna 'smiles' con las SMILES de las moléculas.
    - num_atomos (int): Número máximo de átomos permitidos en una molécula.
    - tipo_atomos (lista de enteros): Lista de tipos de átomos permitidos en las moléculas.
    - epocas (int): Número de épocas de entrenamiento.
    - pasos_gen (float): Número de pasos del generador por cada paso del discriminador.
    - num_muestras_generadas (int): Número de muestras a generar al final del entrenamiento.
    - mols_por_fila (int): Número de moléculas por fila en la cuadrícula al mostrarlas.

    Retorna:
    - Una imagen que muestra las moléculas generadas en formato de cuadrícula.
    """

    # Paso 1: Convertir SMILES en representaciones de grafos
    features, feat = smiles2graph(dataset, num_atomos)

    # Paso 2: Entrenar un modelo de generación GAN
    lista_grafos_moleculares = fit_generacion_GAN(features, epocas, pasos_gen, num_atomos, num_muestras_generadas)

    # Paso 3: Convertir representaciones de grafos en SMILES
    lista_smiles = graph2smiles(lista_grafos_moleculares, feat)
    if(len(lista_smiles) != 0):
        return lista_smiles
    else:
        print("No se han generado moléculas válidas")

tasks, datasets, transformers = dc.molnet.load_tox21() #Llamamos al objeto molnet.load_dataset dentro de la librería DeepChem
df_tox21 = pd.DataFrame(data={'smiles': datasets[0].ids})

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 25, pasos_gen = 1/5, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.5173209876543211
2.8633456790123453

nombre_archivo = r"DatosExperimentacion\tox21_12_25_5.csv"
df.to_csv(nombre_archivo, index=False)

#Ejemplo de CSV que generamos
df

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 25, pasos_gen = 1/5, num_atomos = 14)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.5171003039513677
2.4266079027355625

nombre_archivo = r"DatosExperimentacion\tox21_14_25_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 60, pasos_gen = 1/4, num_atomos = 14)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.3164444444444444
-2.1194722222222224

nombre_archivo = r"DatosExperimentacion\tox21_14_50_5_p2.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 60, pasos_gen = 1/5, num_atomos = 16)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.46763636363636363
0.2705909090909091

nombre_archivo = r"DatosExperimentacion\tox21_16_60_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 70, pasos_gen = 1/4, num_atomos = 16)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.4713
1.077

nombre_archivo = r"DatosExperimentacion\tox21_16_70_4.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 80, pasos_gen = 1/4, num_atomos = 16)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 65, pasos_gen = 1/5, num_atomos = 18)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.47747058823529415
1.4559117647058826

nombre_archivo = r"DatosExperimentacion\tox21_18_65_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 75, pasos_gen = 1/4, num_atomos = 18)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

nombre_archivo = r"DatosExperimentacion\tox21_18_75_4.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 80, pasos_gen = 1/5, num_atomos = 20)

nombre_archivo = r"DatosExperimentacion\tox21_18_75_4.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_tox21, epocas = 100, pasos_gen = 1/5, num_atomos = 22)

tasks, datasets, transformers = dc.molnet.load_hiv() #Llamamos al objeto molnet.load_dataset dentro de la librería DeepChem
df_hiv = pd.DataFrame(data={'smiles': datasets[0].ids})

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 25, pasos_gen = 1/5, num_atomos = 12)

len(lista_smiles)

49

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.44026530612244896
1.5028163265306123

nombre_archivo = r"DatosExperimentacion\hiv_12_25_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 50, pasos_gen = 1/5, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.4482241379310345
1.3348793103448275

nombre_archivo = r"DatosExperimentacion\hiv_12_50_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 25, pasos_gen = 1/5, num_atomos = 14)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.5192999999999999
2.622657142857143

nombre_archivo = r"DatosExperimentacion\hiv_14_25_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 50, pasos_gen = 1/5, num_atomos = 14)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.5437777777777778
1.781925925925926

nombre_archivo = r"DatosExperimentacion\hiv_14_50_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 50, pasos_gen = 1/5, num_atomos = 16)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.42794444444444446
1.4900555555555552

nombre_archivo = r"DatosExperimentacion\hiv_16_50_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 50, pasos_gen = 1/8, num_atomos = 16)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.5769060402684564
0.6579731543624162

nombre_archivo = r"DatosExperimentacion\hiv_16_50_8.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 70, pasos_gen = 1/5, num_atomos = 18)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 100, pasos_gen = 1/6, num_atomos = 18)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.4850384615384616
1.6806153846153846

nombre_archivo = r"DatosExperimentacion\hiv_18_100_6.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_hiv, epocas = 100, pasos_gen = 1/5, num_atomos = 20)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.3
-0.543

nombre_archivo = r"DatosExperimentacion\hiv_20_100_6.csv"
df.to_csv(nombre_archivo, index=False)

tasks, datasets, transformers = dc.molnet.load_qm9() #Llamamos al objeto molnet.load_dataset dentro de la librería DeepChem
df_qm9 = pd.DataFrame(data={'smiles': datasets[0].ids})

df_qm9_sample = df_qm9.sample(15000, random_state = 123)

df_qm9_sample

lista_smiles = generar_moleculas_pipeline(df_qm9_sample, epocas = 70, pasos_gen = 1/5, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.42733333333333334
1.1456666666666668

nombre_archivo = r"DatosExperimentacion\qm9_12_70_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_qm9_sample, epocas = 100, pasos_gen = 1/6, num_atomos = 12)

print(lista_smiles)

['CCC(N)=C(C=O)CO']

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.409
-0.2

nombre_archivo = r"DatosExperimentacion\qm9_12_100_6.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_qm9_sample, epocas = 125, pasos_gen = 1/6, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.451
0.985

nombre_archivo = r"DatosExperimentacion\qm9_12_125_6.csv"
df.to_csv(nombre_archivo, index=False)

tasks, datasets, transformers = dc.molnet.load_qm9() #Llamamos al objeto molnet.load_dataset dentro de la librería DeepChem
df_qm9 = pd.DataFrame(data={'smiles': datasets[0].ids})

df_qm9_sample_5 = df_qm9.sample(5000, random_state = 123)
df_qm9_sample_5

lista_smiles = generar_moleculas_pipeline(df_qm9_sample_5, epocas = 70, pasos_gen = 1/5, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.4873529411764706
0.11294117647058821

nombre_archivo = r"DatosExperimentacion\qm9(5000)_12_70_5.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_qm9_sample_5, epocas = 100, pasos_gen = 1/6, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.45841176470588235
1.4832941176470587

nombre_archivo = r"DatosExperimentacion\qm9(5000)_12_100_6.csv"
df.to_csv(nombre_archivo, index=False)

lista_smiles = generar_moleculas_pipeline(df_qm9_sample_5, epocas = 125, pasos_gen = 1/6, num_atomos = 12)

mostrarSmiles(lista_smiles)

df = smiles2dataset(lista_smiles)
print(np.mean(df["QED"].values)) #Media de los valores de QED
print(np.mean(df["LogP"].values)) #Media de los valores de LogP

0.50056
0.57

nombre_archivo = r"DatosExperimentacion\qm9(5000)_12_125_6.csv"
df.to_csv(nombre_archivo, index=False)

	SMILES	Peso Molecular	LogP	QED	Lipinski
0	BC(C)C(N)COC(O)O	147.107	-1.960	0.318	True
1	BC1COC(O)(O)OCC1(C)O	176.086	-2.198	0.288	True
2	BC1(C)CC12OC2OC(O)(O)O	174.070	-2.098	0.254	True
3	BC(C)C(C)(O)COC(O)(O)O	178.101	-2.216	0.289	True
4	CC12BC1C2(O)COC(O)(O)O	174.070	-2.247	0.286	True
5	BC(C)C(B)COC(O)O	144.113	-1.866	0.359	True
6	BC(C)C(O)COC(O)O	148.091	-1.926	0.321	True
7	BC1CC(OC(O)(O)O)C1(C)O	176.086	-2.464	0.276	True
8	BC1(COC(O)(O)O)CC12BC2	170.092	-2.186	0.332	True
9	BC(C)C(B)(C)COC(O)O	158.129	-1.476	0.387	True
10	BC(C)C(C)(O)COC(O)O	162.106	-1.536	0.346	True
11	BC(C)C(B)(C)COC(O)(O)O	174.123	-2.156	0.335	True
12	CC12BOC(O)(O)OCC1(O)C2	174.070	-1.706	0.301	True
13	BC12COC(O)(OCC1(C)O)O2	174.070	-2.253	0.406	True
14	CC1BOC2(O)OCC1(O)CO2	174.070	-1.442	0.440	True
15	BC12COC(O)(O)OC3C1C32O	172.054	-2.836	0.271	True
16	BC1(C)C2OC21COC(O)(O)O	174.070	-2.446	0.251	True
17	CC1BOC(O)(O)OCC1(C)O	176.086	-1.460	0.310	True
18	BC12COC(O)(O)OCC1(O)C2	174.070	-2.444	0.280	True
19	BC1(C)CC1(O)COC(O)(O)O	176.086	-2.462	0.283	True
20	BC(C)C(C)(O)C1OC(O)(O)O1	176.086	-1.852	0.340	True
21	BC(C)C(O)COC(O)(O)O	164.086	-2.606	0.270	True
22	BC(C)C1(O)COC(O)(O)OC1	176.086	-2.198	0.312	True
23	BC1(C)OC(O)(O)OCC1(C)O	176.086	-2.271	0.286	True
24	BC(C)C(B)COC(O)(O)O	160.108	-2.546	0.312	True
25	BC(C)C(C)(N)COC(O)O	161.122	-1.570	0.344	True
26	BC(C)C(C)(O)COC1(O)OO1	176.086	-1.239	0.242	True
27	CC(O)(COC(O)(O)O)C1BC1	176.086	-2.001	0.293	True
28	OCC1(O)COC23OCC1B(O2)O3	188.049	-1.713	0.477	True
29	BC1(C)CC1(B)COC(O)(O)O	172.108	-2.402	0.327	True
30	BC(CO)C(C)(N)COC(O)O	177.117	-2.597	0.273	True
31	BC(B)C(N)COC(O)O	145.108	-3.389	0.284	True
32	BC1COC(O)(O)OCC12CO2	174.070	-2.180	0.248	True
33	BC1COC2(O)OBC1(C)CO2	170.092	-1.381	0.455	True
34	BC1C(O)OC1(C)COC(O)(O)O	192.081	-2.880	0.283	True
35	BC1(C)CC1(O)C1OC(O)(O)O1	174.070	-2.098	0.313	True

	smiles
24348	[H]N1[C@@]([H])(C(=O)C([H])([H])C#N)[C@@]1([H]...
12593	[H]OC([H])([H])[C@@]1([H])C(=O)C(C([H])([H])[H...
73660	[H]C#C[C@@]1([H])C([H])=C(C([H])([H])[H])C([H]...
33427	[H]N1[C@]2(C([H])([H])[H])[C@@]3(OC3([H])[H])C...
14957	[H]C([H])(C#N)N1C(=O)C([H])([H])C1([H])[H]
...	...
40636	[H]C(=O)C([H])([H])N([H])C1(C([H])([H])[H])C([...
26835	[H]C([H])([H])C([H])([H])[C@]1([H])[C@@]2([H])...
80752	[H]C#C[C@@]12O[C@]1([H])C([H])([H])C([H])([H])...
27905	[H]OC([H])([H])[C@]([H])(C#CC([H])=O)O[H]
63429	[H]c1c(N([H])[H])c(C([H])(C([H])([H])[H])C([H]...

	smiles
24348	[H]N1[C@@]([H])(C(=O)C([H])([H])C#N)[C@@]1([H]...
12593	[H]OC([H])([H])[C@@]1([H])C(=O)C(C([H])([H])[H...
73660	[H]C#C[C@@]1([H])C([H])=C(C([H])([H])[H])C([H]...
33427	[H]N1[C@]2(C([H])([H])[H])[C@@]3(OC3([H])[H])C...
14957	[H]C([H])(C#N)N1C(=O)C([H])([H])C1([H])[H]
...	...
25667	[H]C1=C([H])[C@]([H])(C([H])([H])[H])[C@]2([H]...
98534	[H]OC([H])([H])[C@]1(C([H])=O)OC([H])([H])C1([...
79350	[H]O[C@@]([H])(C(=O)N([H])[H])C([H])([H])C([H]...
39676	[H]C([H])([H])N1C(=O)C([H])([H])[C@@]([H])(C([...
13068	[H]C1=C([H])N([H])C([H])([H])[C@@]2([H])C([H])...

Experimentación Generación Molecular con MolGAN¶

Introducción¶

Dataset¶

Dataset Tox21¶

Experimento 1: Tox21, 25 epocas, 1/5 pasos generador, 12 átomos¶

Experimento 2: Tox21, 25 epocas, 1/5 pasos generador, 14 átomos¶

Experimento 3: Tox21, 60 epocas, 1/4 pasos generador, 14 átomos¶

Experimento 4: Tox21, 16 átomos, 60 épocas, pasos generador 1/5¶

Experimento 5: Tox21, 16 átomos, 70 épocas, pasos generador 1/4¶

Experimento 6: Tox21, 16 átomos, 80 épocas, pasos generador 1/4¶

Experimento 7: Tox21, 18 átomos, 65 épocas, pasos generador 1/5¶

Experimento 8: Tox21, 18 átomos, 75 épocas, pasos generador 1/4¶

Experimento 9: Tox21, 20 átomos, 80 épocas, pasos generador 1/5¶

Experimento 10: Tox21, 22 átomos, 100 épocas, pasos generador 1/5¶

Dataset HIV¶

Experimento 11: HIV, 12 átomos, 25 épocas, pasos generador 1/5¶

Experimento 12: HIV, 12 átomos, 50 épocas, pasos generador 1/5¶

Experimento 13: HIV, 25 epocas, 1/5 pasos generador, 14 átomos¶

Experimento 14: HIV, 50 epocas, 1/5 pasos generador, 14 átomos¶

Experimento 15: HIV, 50 epocas, 1/5 pasos generador, 16 átomos¶

Experimento 16: HIV, 50 epocas, 1/8 pasos generador, 16 átomos¶

Experimento 17: HIV, 70 epocas, 1/5 pasos generador, 18 átomos¶

Experimento 18: HIV, 100 epocas, 1/6 pasos generador, 18 átomos¶

Experimento 19: HIV, 100 epocas, 1/6 pasos generador, 20 átomos¶

Dataset QM9 (15000)¶

Experimento 20: QM9 (15000), 70 épocas, pasos generador 1/5, 12 numero de atómos¶

Experimentación 21: QM9 (15000), epocas 100, pasos generador 1/6, 12 átomos¶

Experimentación 22: QM9 (15000), epocas 125, pasos generador 1/6, 12 átomos¶

Dataset QM9 (5000)¶

Experimentación 23: QM9 (5000), epocas 70, pasos generador 1/5, 12 átomos¶

Experimentación 24: QM9 (5000), epocas 100, pasos generador 1/6, 12 átomos¶

Experimentación 25: QM9 (5000), epocas 125, pasos generador 1/6, 12 átomos¶